[發(fā)明專利]基于尖峰平板式深度玻爾茲曼機分類的膀胱尿路上皮圖像處理方法

在審

• 申請?zhí)枺?/td>: 201811431700.0
• 申請日: 2018-11-27
• 公開（公告）號: CN109727228A
• 公開（公告）日: 2019-05-07
• 發(fā)明（設(shè)計）人: 史力
• 申請（專利權(quán)）人: 常州市第二人民醫(yī)院
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 薛海霞;董建林

1.基于尖峰平板式深度玻爾茲曼機分類的膀胱尿路上皮癌圖像處理方法，包括訓(xùn)練階段和識別階段，其特征在于，

在訓(xùn)練階段，利用帶標(biāo)注的大數(shù)據(jù)病理圖像在近似條件分布最大化準(zhǔn)則下訓(xùn)練深度玻爾茲曼機模型參數(shù)：即采用吉布斯采樣法對對比散度和持續(xù)性對比散度進(jìn)行迭代更新，在逐層訓(xùn)練的基礎(chǔ)上，利用變分隨機最大似然法估計模型最優(yōu)結(jié)構(gòu)；

在識別階段，根據(jù)輸入的待區(qū)分盲數(shù)據(jù)，考慮圖像像素之間的協(xié)方差關(guān)系，評估計算深度玻爾茲曼機決策層和隱層權(quán)重矩陣的能量函數(shù)，從而獲得二值尖峰和實值平板隱藏單位的均勻場估計，得到后驗概率分布的近似推斷，并以最大化后驗概率為決策條件選擇分類結(jié)果，最終實現(xiàn)膀胱尿路上皮細(xì)微病變部位的識別。

2.根據(jù)權(quán)利要求1所述的基于尖峰平板式深度玻爾茲曼機分類的膀胱尿路上皮癌圖像處理方法，其特征在于，訓(xùn)練階段具體包括以下步驟：

A01，構(gòu)建具有一個可見層v和兩個隱藏層h⁽¹⁾,h⁽²⁾的深度玻爾茲曼機，其聯(lián)合概率由式(1)給出

Z(θ)是歸一化值；其中能量函數(shù)定義如式(2)

θ表示模型參數(shù)集合，W⁽¹⁾,W⁽²⁾表示網(wǎng)絡(luò)連接權(quán)重系數(shù)矩陣；隱藏層h⁽¹⁾,h⁽²⁾的激活函數(shù)分別由式(3)和式(4)給出

A02，對于自然圖像而言，許多信息內(nèi)容嵌入于像素之間的協(xié)方差關(guān)系網(wǎng)中，而不是像素絕對值中，因此需要構(gòu)建二值尖峰(h)和實值平板(s)隱藏單元的深度玻爾茲曼機；該學(xué)習(xí)機中相應(yīng)的h_i確定權(quán)重矩陣W_:,i中該分量是否存在；如果存在的話，相應(yīng)平板變量s_i確定該變量的強度；當(dāng)尖峰變量激活時，相應(yīng)的平板變量將沿著權(quán)重矩陣定義的軸輸入增加方差；定義能量函數(shù)E_ss(x,s,h)為

其中，b_i是h_i的偏置，Λ是觀測值x上的對角精度矩陣，α_i是實值平板變量s_i的標(biāo)量精度參數(shù)，φ_i是定義在x上的h調(diào)制二次懲罰的非負(fù)對角矩陣，μ_i是平板變量s_i的均值參數(shù)；

利用能量函數(shù)的定義，通過邊緣化平板變量s，在給定二值尖峰變量h的條件下，觀察變量的條件概率分布由下式給出

其中，P(h)代表累加概率，Z是歸一化常數(shù)，

A03，構(gòu)建預(yù)測分布概率(6)式的變分下界目標(biāo)函數(shù)其表達(dá)式如下

其中，是包含所有隱層節(jié)點在內(nèi)的矩陣；設(shè)步長ε為一個小正數(shù)，設(shè)定吉布斯步數(shù)k，其值足夠大，足以讓p(v,h⁽¹⁾,h⁽²⁾)對應(yīng)的馬爾可夫鏈能跳出預(yù)燒區(qū)域；隨機初始化三個矩陣；利用變分隨機最大似然法對上述目標(biāo)函數(shù)進(jìn)行迭代優(yōu)化，求得緊致下限滿足的模型參數(shù)。

3.根據(jù)權(quán)利要求1所述的基于尖峰平板式深度玻爾茲曼機分類的膀胱尿路上皮癌診斷方法，其特征在于，識別階段包含如下步驟：

B01，根據(jù)貝葉斯公式，預(yù)測概率分布滿足p(v|h⁽¹⁾,h⁽²⁾)～p(h⁽¹⁾,h⁽²⁾|v)，確定后驗概率分布即可根據(jù)最大模態(tài)值做出決策判斷；

B02，利用均勻場近似法估計后驗概率分布，設(shè)Q(h⁽¹⁾,h⁽²⁾|v)為p(h⁽¹⁾,h⁽²⁾|v)的近似函數(shù)，根據(jù)獨立性假設(shè)有

在KL散度的準(zhǔn)則下比較Q函數(shù)和P函數(shù)的相似性，有

將Q函數(shù)作為Bernoulli分布的乘積進(jìn)行參數(shù)化，即令于是可得

根據(jù)訓(xùn)練階段得到的模型參數(shù)，在觀測數(shù)據(jù)驅(qū)動的條件下可得隱層變量更新規(guī)則如下

B03，在得到隱層變量的估計的基礎(chǔ)上，將后驗概率分布通過利用貝葉斯公式轉(zhuǎn)換為預(yù)測概率分布，評估概率有效區(qū)域進(jìn)而獲取最大概率值對應(yīng)的類別作為判決決策，根據(jù)圖像識別膀胱尿路上皮細(xì)微病變部位。